Scelta di un metodo di addestramento personalizzato

Mantieni tutto organizzato con le raccolte Salva e classifica i contenuti in base alle tue preferenze.

Se stai scrivendo il tuo codice di addestramento anziché utilizzare AutoML, esistono diversi modi per eseguire l'addestramento personalizzato da prendere in considerazione. Questo argomento fornisce una breve panoramica e un confronto dei diversi modi per eseguire l'addestramento personalizzato.

Risorse di addestramento personalizzato su Vertex AI

Puoi creare tre tipi di risorse Vertex AI per addestrare modelli personalizzati su Vertex AI:

Quando crei un job personalizzato, specifichi le impostazioni necessarie a Vertex AI per eseguire il codice di addestramento, tra cui:

All'interno dei pool di worker, puoi specificare le seguenti impostazioni:

I job di ottimizzazione degli iperparametri hanno impostazioni aggiuntive da configurare, come la metrica. Scopri di più sull'ottimizzazione degli iperparametri.

Una pipeline di addestramento orchestra i job di addestramento personalizzato o i job di ottimizzazione degli iperparametri con passaggi aggiuntivi, come il caricamento di un set di dati o il caricamento del modello su Vertex AI dopo che il job di addestramento è stato completato correttamente.

Risorse di addestramento personalizzato

Per visualizzare le pipeline di addestramento esistenti nel tuo progetto, vai alla pagina Training Pipelines nella sezione Vertex AI di Google Cloud Console.

Vai a Pipeline di addestramento

Per visualizzare i job personalizzati esistenti nel tuo progetto, vai alla pagina Job personalizzati.

Vai a Job personalizzati

Per visualizzare i job di ottimizzazione degli iperparametri esistenti nel tuo progetto, vai alla pagina Ottimizzazione degli iperparametri.

Vai a Ottimizzare gli iperparametri

Container predefiniti e personalizzati

Prima di inviare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento a Vertex AI, devi creare un'applicazione di addestramento Python o un contenitore personalizzato per definire il codice di addestramento e le dipendenze che vuoi eseguire su Vertex AI. Se crei un'applicazione di addestramento Python utilizzando TensorFlow, scikit-learn o XGBoost, puoi utilizzare i nostri container predefiniti per eseguire il tuo codice. Se non sai con certezza quali di queste opzioni scegliere, consulta i requisiti del codice di addestramento per saperne di più.

Addestramento distribuito

Puoi configurare un job di addestramento personalizzato, un job di ottimizzazione degli iperparametri o una pipeline di addestramento per l'addestramento distribuito specificando più pool di worker:

  • Utilizza il primo pool di worker per configurare la replica principale e imposta il numero di repliche su 1.
  • Aggiungi altri pool di worker per configurare le repliche dei worker, le repliche dei server dei parametri o le repliche dei valutatori, se il tuo framework di machine learning supporta queste attività cluster aggiuntive per l'addestramento distribuito.

Scopri di più sull'utilizzo dell'addestramento distribuito.

Passaggi successivi